强化学习是对传统模仿学习的边缘场景补齐
辅助驾驶领域老生常谈的方法论是： 我们在道路上搜集到足够多的数据，然后再用这些数据算法进行训练。不断收集数据，不断进行训练，再次部署，然后收集新的数据。这也是Momenta 提出来的飞轮开发模型理念。
但是，我们也知道并不是所有的数据都是有用的，对于辅助驾驶来说，大量数据都是单调重复的。
例如高速直道，可见度高。
简单来说，当一个系统本身质量越好，所遇到的失败或者危险场景就越少，那么这个系统收集到的数据就会越少，继续改进就会越难。
这是模仿学习的瓶颈的来源。我们在遇到所有的问题之前，无法预知所有的问题的解法。
而来到端到端时代之后，事情就变得更加复杂了。
大部分团队都会选择使用老司机的优秀驾驶数据，用来模仿驾驶风格和处理方法。
这就更加依赖所收集到数据的覆盖度。
但是世界何其复杂，到什么规模才能满足要求呢？
出于成本，出于时间，出于迭代效率，我们得找到一个数据使用效率更高的办法。
至境L7全球首发的基于强化学习的Momenta R6飞轮大模型，就是一次很好的尝试。
将正负样本都纳入学习，在模型学习真实场景轨迹时，也加入一些惩罚项和奖励项，例如舒适度偏好，安全偏好，控制器相关的信号偏好；将机械的模仿转化成，优秀轨迹上的Policy，将负样本的惩罚原因也学习在神经网络里。
不仅是学习轨迹，也学习轨迹背后的原理。在这种学习范式下，“逍遥智行”Momenta R6飞轮大模型的目标不是人类老司机的驾驶水平， 而是超越人类老司机。
求其上者得其中，求其中者得其下。有更高的目标才会有更好的表现。
所以在实测视频中我们看到在一些复杂场景，无标线场景，电瓶车博弈，人车混行都有了领先的表现。
对于别克来说，Momenta 的智能加持和上汽通用的控制技术，能让辅助驾驶的驾驶感受更好，相对平滑的加减速是安心感的来源。
可以期待，强大的算法和领先的整车工程在这辆车上碰撞出的令人惊奇的表现。
在补齐了辅助驾驶的短板之后，别克至境作为“逍遥”架构打造的首款量产车，驾驶质感和乘坐体验都可圈可点，在20-25 万区间内拥有很强的竞争力，甚至大胆点估计，会不会带上高阶辅助驾驶的版本可以进入20万区间，一举找回别克当年燃油车的荣光？
2025年，市场越来越热闹了，在合资车企们靠我们本土供应商获得了珍贵的智能化表现之后，会成为合资车企反攻新能源的元年吗？
决赛还没正式开始，没有选手可以放松。
至境L7MomentaR6首发上路
至境L7上市谁最慌
